BMBF Förderausschreibung: „Flexible, resiliente und effiziente Machine-Learning-Modelle“

Die Förderrichtlinie zielt darauf ab, die Entwicklung von innovativen Machine-Learning-Ansätzen zur Verbesserung der Flexibilität, Resilienz und Effizienz von lernenden Systemen oder Simulationsmodellen entscheidend voranzubringen. Damit sollen die Nachhaltigkeit und Praxistauglichkeit von Machine-Learning-Modellen verbessert werden.

Gegenstand der Förderung

Gefördert werden interdisziplinäre KI-Projekte zur Entwicklung neuer Modellarchitekturen und Lernalgorithmen zur Verbesserung der Flexibilität, Resilienz und Effizienz von lernenden Systemen oder der Effizienz von Simulations­modellen. Dabei sollen die entwickelten Methoden weit über den derzeitigen Stand der Technik hinausgehen. Es können folgende Forschungsthemen adressiert werden:

1. Entwicklung neuer Ansätze für resiliente Lernalgorithmen, die Robustheit und Generalisierungsfähigkeit erhöhen (beispielsweise in dynamisch veränderlichen Umgebungen, unvorhergesehenen Situationen und in „Worst-Case“-Szenarien). Dazu sollen zunächst die Begrenzungen aktueller Modelle eingehend charakterisiert werden. Im Anschluss sollten neue Ansätze für Lernalgorithmen abgeleitet und erprobt werden. Beispiele dafür sind Ansätze zur verbesserten Regularisierung basierend auf Domänenwissen, Analyse von Inputdaten sowie robuste Interaktion von lernenden Systemen mit der Umwelt (inklusive Reinforcement Learning). Dies kann auf eine allgemein höhere Robustheit eines Machine-Learning-Modells oder das Weiterlernen für neue Einsatzsituationen abzielen.
2. Entwicklung neuer Methoden im Bereich der informierten KI. Die Stärke von auf großen Datensätzen trainierten Machine-Learning-Modellen ist es, Assoziationen in Daten zu finden. Mithilfe neuer Methoden der informierten KI soll Domänenwissen (beispielsweise Invarianzen, logische Relationen zwischen Objekten und Gleichungen) in Machine-Learning-Modelle und Datensätze integriert werden. Beispiele dafür sind die Integration physikalischer Gesetzmäßigkeiten in künstliche neuronale Netze, das Lernen durch menschliches Feedback, die Integration von Fakten sowie die Fähigkeit zur Schlussfolgerung, das Lernen auf kleinen Datenmengen und die Integration von Kausalität in die Modellarchitektur.
3. Weiterentwicklung komplexer, bereits etablierter Simulationsmodelle durch den gezielten Einsatz von Machine-Learning-Verfahren (insbesondere in den Naturwissenschaften). Dies schließt beispielsweise Machine-Learning-basierte Ansätze in Form einer modularen Neugestaltung und einer Initialisierung virtueller Experimente etwa für Controller-Design sowie End-to-End-Frameworks ein. Das neue Modell soll einen klaren und langfristigen ­Etablierungspfad verfolgen. Das Ziel ist eine KI-basierte, signifikante Verbesserung der gesamten Input- bis Outputkette, zum Beispiel hinsichtlich Effizienz, Skalierbarkeit und Vorhersagequalität.
4. Entwicklung neuer Ansätze für robuste und effiziente Foundation Models. Machine-Learning-Modelle mit vielen Parametern, trainiert auf großen und heterogenen Datensätzen, die in der Lage sind, eine Vielzahl an Aufgaben zu lösen, stellen einen neuen Ansatz in vielen Forschungsbereichen und Anwendungen dar. Es sollen neue Ansätze erforscht werden, wie sich Limitierungen derzeitiger Modelle überwinden lassen (wie beispielsweise hoher Rechenbedarf, fehlende Transparenz, Halluzinieren, Zeitverständnis, Übernahme von Bias aus den Trainingsdaten). Dazu sind geeignete Datensätze zu generieren (beispielsweise hinsichtlich Qualität und Vielfalt) und Architekturen sowie Lernverfahren weiterzuentwickeln. Ein besonderer Schwerpunkt liegt auf der Entwicklung kleiner KI-Modelle, die unter Anwendung neuer Ansätze für Foundation Models auch mit limitierten Ressourcen vergleichbare Resultate liefern.

Wer ist antragsberechtigt?

Antragsberechtigt sind Hochschulen, außeruniversitäre Forschungseinrichtungen und andere Institutionen, die Forschungsbeiträge liefern, sowie Unternehmen der gewerblichen Wirtschaft. Zum Zeitpunkt der Auszahlung einer gewährten Zuwendung wird das Vorhandensein einer Betriebsstätte oder Niederlassung (Unternehmen) beziehungsweise einer sonstigen Einrichtung, die der nichtwirtschaftlichen Tätigkeit des Zuwendungsempfängers dient (Hochschule, Forschungseinrichtung und andere Institutionen, die Forschungsbeiträge liefern), in Deutschland verlangt.

Verfahren und Deadlines

Das Antragsverfahren ist zweistufig angelegt. In der ersten Verfahrensstufe sind dem beauftragten Projektträger zunächst Projektskizzen in elektronischer Form vorzulegen. Für die Einreichung läuft die Frist bis zum 12. Januar 2024. Bei Verbundprojekten sind die Projektskizzen in Abstimmung unter den Projektpartnern durch die jeweils vorgesehenen Verbundkoordinierenden vorzulegen.

Weitere Infos